Бэкенд памяти на эмбеддингах

Бэкенд эмбеддингов хранит воспоминания как векторные эмбеддинги, обеспечивая поиск по семантическому сходству. Это самый мощный механизм вспоминания, позволяющий агентам находить контекстно-релевантные воспоминания даже при отсутствии точного совпадения ключевых слов.

Обзор

Бэкенд эмбеддингов:

• Преобразует текст воспоминаний в плотные векторные представления
• Хранит векторы в локальной или удалённой векторной базе данных
• Извлекает воспоминания по косинусному сходству с текущим запросом
• Поддерживает множество провайдеров эмбеддингов (Ollama, OpenAI и т.д.)

Как это работает

1. При сохранении воспоминания его текст отправляется в модель эмбеддингов
2. Полученный вектор сохраняется вместе с исходным текстом
3. При вспоминании текущий контекст преобразуется в эмбеддинг и сравнивается с сохранёнными векторами
4. Возвращаются top-K наиболее похожих воспоминаний

Конфигурация

[memory]
backend = "embeddings"

[memory.embeddings]
provider = "ollama"
model = "nomic-embed-text"
dimension = 768
top_k = 10
similarity_threshold = 0.5

[memory.embeddings.store]
type = "sqlite-vec"  # или "pgvector"
path = "~/.local/share/openprx/embeddings.db"

Поддерживаемые провайдеры эмбеддингов

Провайдер	Модель	Размерность
Ollama	nomic-embed-text	768
OpenAI	text-embedding-3-small	1536
OpenAI	text-embedding-3-large	3072

Связанные страницы

• Обзор системы памяти
• Бэкенд SQLite
• Гигиена памяти